LIBRISTO
LIBROAMANTO
obligatoriu
Faceți parte dintr-o comunitate de iubitori de cărți din întreaga lume și beneficiați de o mulțime de avantaje Creați-vă un cont gratuit
0
Transport gratuit la punctele de livrare Pick Up peste 349.00 lei
Packeta 17.50 lei Urgent Cargus 30.50 lei Easybox 22.50 lei Punct FAN 18.50 lei Punct DPD 19.50 lei Curier DPD 27.50 lei FAN Courier 27.50 lei

Livrare gratuită pentru comenzile de peste 349 LEI prin Easybox, FAN BOX și Coletăria.

Machine Learning Potentials for Materials Discovery with Python

Surrogate Models, Active Learning, and High-Throughput Screening

Limba englezăengleză
Carte Carte broșată
Carte Machine Learning Potentials for Materials Discovery with Python Livia Arden
Codul Libristo: 54579829
Editura Independently published, noiembrie 2026
Reactive PublishingAccelerate atomic-scale simulations and navigate vast chemical spaces with machin... Descrierea completă
? points 106 b Curând Curând Nou Nou
232.39 lei
Nu livrăm până la Crăciun ▾ Așteptăm intrarea în stoc Ediția 24. 11. 2026

Până la 30 de zile pentru returnare

Reactive Publishing

Accelerate atomic-scale simulations and navigate vast chemical spaces with machine learning.

Traditional density functional theory (DFT) calculations offer high quantum-mechanical accuracy for predicting material properties, but their computational cost restricts simulations to small systems and short timescales. Machine Learning Potentials for Materials Discovery with Python provides a practical, end-to-end engineering framework for bridging the gap between ab initio accuracy and large-scale molecular dynamics.

Written for computational materials scientists, physical chemists, and Python developers working in scientific computing, this guide walks through the design, validation, and deployment of interatomic potentials using modern open-source ecosystems.

Inside, you will learn how to:

  • Construct Surrogate Models: Transform atomic environments into rotationally and permutationally invariant descriptors, and train neural network and kernel-based potentials on DFT datasets.

  • Implement Active Learning Workflows: Automate the detection of high-uncertainty atomic configurations during simulations, iteratively querying reference calculations to expand training sets without manual curation.

  • Scale High-Throughput Screening: Integrate trained potentials into molecular dynamics and structure-relaxation pipelines to rapidly filter candidate crystals, alloys, and catalysts.

  • Validate Physical Fidelity: Benchmark energy and force predictions, verify phonon dispersions and elastic constants, and prevent unphysical extrapolation in out-of-distribution structures.

Grounded in reproducible Python workflows, this book equips researchers and practitioners with the tools required to replace brute-force quantum simulations with fast, reliable machine learning pipelines.

Actriță & Poliglotă
EWA KASP pentru
Redă videoclipul
Ewa Kasp
Libristo are cea mai mare selecție de literatură în limbi străine. De aceea îmi cumpăr cărțile de aici.

Informații despre carte

Titlu complet Machine Learning Potentials for Materials Discovery with Python
Limba engleză
Legare Carte - Carte broșată
Data publicării 2026
Număr pagini 558
EAN 9798143984899
Codul Libristo 54579829
Greutatea 667
Dimensiuni 152 x 229 x 35
Dăruiește această carte chiar astăzi
Este foarte ușor
1 Adaugă cartea în coș și selectează Livrează ca un cadou 2 Îți vom trimite un voucher în schimb 3 Cartea va ajunge direct la adresa destinatarului

Logare

Conectare la contul de utilizator Încă nu ai un cont Libristo? Crează acum!

 
obligatoriu
obligatoriu

Nu ai un cont? Beneficii cu contul Libristo!

Datorită contului Libristo, vei avea totul sub control.

Creare cont Libristo
Consilier de cărți Libroamiko
Bună ziua, sunt Libroamiko, vă pot ajuta?